Apache Spark でAzure Table のデータをSQL で操作する方法

こんにちは！リードエンジニアの杉本です。

Apache Spark は大規模データ処理のための高速エンジンです。CData JDBC Driver for AzureTables と組み合わせると、Spark はリアルタイムでAzure Table のデータに連携して処理ができます。本記事では、Spark シェルに接続してAzure Table をクエリする方法について解説します。

CData JDBC Driver は、最適化されたデータ処理がドライバーに組み込まれているため、リアルタイムAzure Table と対話するための高いパフォーマンスを提供します。Azure Table に複雑なSQL クエリを発行すると、ドライバーはフィルタや集計など、サポートされているSQL操作を直接Azure Table にプッシュし、組込みSQL エンジンを使用してサポートされていない操作（SQL 関数やJOIN 操作）をクライアント側で処理します。組み込みの動的メタデータクエリを使用すると、ネイティブデータ型を使用してAzure Table を操作して分析できます。

CData JDBC Driver for AzureTables をインストール

まずは、本記事右側のサイドバーからAzureTables JDBC Driver の無償トライアルをダウンロード・インストールしてください。30日間無償で、製品版の全機能が使用できます。

Spark Shell を起動してAzure Table のデータに接続

1. ターミナルを開き、Spark shell でCData JDBC Driver for AzureTables JAR file をjars パラメータに設定します: $ spark-shell --jars /CData/CData JDBC Driver for AzureTables/lib/cdata.jdbc.azuretables.jar
2. Shell でJDBC URL を使ってAzure Table に接続し、SQL Context load() function でテーブルを読み込みます。

   Account プロパティをストレージアカウント名に設定し、ストレージアカウントのAccessKey を設定して接続します。これらの値を取得する方法は次のとおりです。

   ストレージをBackend として使用している場合（デフォルト）

   • Azure ポータルにログインし、左側の「サービス」メニューで「ストレージアカウント」を選択します。
   • ストレージアカウントがない場合は、「追加」ボタンをクリックしてアカウントを作成します。
   • 使用するストレージアカウントのリンクをクリックし、「設定」の「アクセスキー」を選択します。 「アクセスキー」ウィンドウには、ストレージアカウント名とCData 製品で使用するキー（接続にはkey1またはkey2のどちらかを使用できます）が含まれています。これらのプロパティは、それぞれAccount とAccessKey 接続プロパティにマッピングされます。

   Azure SQL への接続

   • Azure ポータルにログインし、左側の「サービス」メニューで「Azure Cosmos DB」を選択します。
   • 使用するCosmos DB アカウントのリンクをクリックし、「設定」の「接続文字列」を選択します。 「接続文字列」ウィンドウには、Cosmos DB アカウント名とCData 製品で使用する主キーが含まれています。これらのプロパティは、それぞれAccount とAccessKey 接続プロパティにマッピングされます。

   組み込みの接続文字列デザイナー

   JDBC 接続文字列URL の作成には、Azure Table JDBC Driver にビルトインされたデザイナを使用できます。JAR ファイルをダブルクリックするか、コマンドラインでJAR ファイルを実行するとデザイナが開きます。

   java -jar cdata.jdbc.azuretables.jar

   接続プロパティを入力し、接続文字列をクリップボードにコピーします。

   scala> val azuretables_df = spark.sqlContext.read.format("jdbc").option("url", "jdbc:azuretables:AccessKey=myAccessKey;Account=myAccountName;").option("dbtable","NorthwindProducts").option("driver","cdata.jdbc.azuretables.AzureTablesDriver").load()
3. 接続が完了し、データがロードされたら、テーブルスキーマが表示されます。

4. Azure Table をテンポラリーテーブルとして登録します:

   scala> azuretables_df.registerTable("northwindproducts")

5. データに対して、次のようなカスタムSQL クエリを実行します。

   scala> azuretables_df.sqlContext.sql("SELECT Name, Price FROM NorthwindProducts WHERE ShipCity = New York").collect.foreach(println)

   コンソールで、次のようなAzure Table のデータを取得できました！これでAzure Table との連携は完了です。

CData JDBC Driver for AzureTables をApache Spark で使って、Azure Table に対して、複雑かつハイパフォーマンスなクエリを実行できます。30日の無償評価版 をダウンロードしてぜひお試しください。